量化交易基礎入門，量化數據分析計算利器之Numpy

前言

正如我前面所講，量化交易背後是有著一套嚴謹計算的過程的。我們進行量化交易時，如果進行原始數據的分析，一般避免不了進行數據的運算。

所以，按照我跟大家講的量化交易學習路線，我們需要先學習下numpy和pandas，這兩個是python進行數據運算和處理的兩個比較重要的依賴包。

我們本篇文章先來看下，量化交易計算的Numpy。

這裡，我必須先友情提示下，接下去兩章的內容會比較枯燥，因為涉及到一些數據計算和統計的東西，而且後續不一定直接使用這兩個包，因為大部分量化工具都已封裝好數據處理。但是學好這兩個知識，對於我們後續對行情數據的分析，瞭解量化工具包如何處理數據流的處理方法有比較重要的意義。

numpy & pandas

Numpy是什麼？

首先，我們來了解下啥是Numpy。

先看下概念：

NumPy是使用Python進行科學計算的基本包。其中包括：

1. 一個強大的N維數組對象
2. 複雜（廣播）功能
3. C/C++與FORTRAN代碼集成工具
4. 有用的線性代數、傅立葉變換和隨機數能力

除了明顯的科學用途外，NumPy還可以作為通用數據的高效多維容器。可以定義任意數據類型。這使得NumPy能夠無縫、快速地與各種數據庫集成。

稍等。。是不是看的有點頭暈，分分鐘想放棄學習，有沒有？特別是第4點，感覺又要回到高中大學時學習數學，高數的痛苦感覺啦？

別急！！！

深奧的理論概念一般都是用來嚇唬學生的，其實我們在實際應用Numpy的時候，沒有涉及到這麼深奧的東西。我們只需要掌握以下內容：

• 數據類型
• 數組類型
• 類型轉換
• 創建數組
• 數組索引
• 數組切片
• 改變維度

這些都是跟數組有關的，是不是就比較清晰了？雖然裡面有些概念還不懂，比如啥切片啊，索引啊~沒事，不急，後續介紹。

Numpy包在量化交易中，起到的作用是數據的計算。使用這個包，我們可以很輕鬆的處理量化數據，比如股票行情數據，期貨行情數據等等。

下面我們開始numpy的學習。

Numpy安裝

首先，我們來看下如何安裝numpy。
win+R，輸出cmd打開，確認，命令窗口。

直接命令行安裝Numpy，記得需要先安裝python。python安裝前面已經講過了哦。

<code>
pip
 install numpy/<code>

安裝Numpy

數組生成及基本操作

指定數據，創建一個簡單的數組

<code>
import
 numpy 
as
 np

a = np.array([
1
, 
2
, 
3
], dtype=np.int32)
print
(a)
print
(a.dtype)/<code>

我們指定了一個一維數組，3個元素分別1,2,3。控制檯輸出：

[1 2 3]

int32

同理，我們可以構建多維數組，可以直接使用自帶方法構建全1數組，全零數組等。

<code> 
a
 
=
 
np.array([[1,
 
2
, 
 
3
],
 
[2,
 
3
,
 
4
]])
print(a)

 
a
 
=
 
np.ones((4,
 
4
),
 
dtype=np.int)
print(a)

 
a
 
=
 
np.zeros((3,
 
4
))
print(a)

 
a
 
=
 
np.empty((4,
 
5 
))
print(a)
/<code>

打印查看結果：

[[1 2 3]

[2 3 4]]

[[1 1 1 1]

[1 1 1 1]

[1 1 1 1]

[1 1 1 1]]

[[0. 0. 0. 0.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]

[[6.23042070e-307 4.67296746e-307 1.69121096e-306 1.37962524e-306

1.89146896e-307]

[7.56571288e-307 3.11525958e-307 1.24610723e-306 1.37962320e-306

1.29060871e-306]

[2.22518251e-306 1.33511969e-306 1.78022342e-306 1.05700345e-307

1.11261027e-306]

[1.11261502e-306 1.42410839e-306 7.56597770e-307 6.23059726e-307

1.78016909e-306]]

連續數組及變換

下面我們重點看下連續數組和變換。我們之所以獨立開來講，是因為這個跟我們的行情數據關係密切。我們的行情數據，不管股票還是期貨，外匯等的所有數據，都是連續不斷的數據構成的一個段完整的行情。

連續數組創建，創建一個數組，從1到50，步長為1.注意，arrange產生數組是左閉右開的，所以下標要到51，才是創建50個數據。生成數組之後，我們將其變換為2行的二維數組，注意列數乘以行數要等於改數組的元素個數。

<code>傳/<code>

[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

49 50]

[[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25]

[26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50]]

數組基本運算

數組的基本運算，我們需要掌握一些基本的運算即可，我們下面結合行情數據來講解相關運算內容。

假設有一段行情，我們需要知道這段的最高價，最低價，以及行情的五日均線。我們可以用numpy的素組一些內置函數的運算來實現，很簡單。

下面我們通過示例來演示。

1 首先，我們來看下數組的運算。構造數組，分別一個整數型數組和一個小數型數組，再分別將兩個數組相加，形成新的數組。代碼如下：

<code># 生成
10
到
20
的隨機數組
np.set_printoptions(precision=
1
)
data_1 = np.
random
.rand(
50
)
print
(
"生成小數型數組："
, data_1)
data_2 = np.
random
.randint(
15
, 
20
, size=
50
)
print
(
"生成整數型數組：" 
, data_2)
data = data_2 + data_1
print
(
"合併後生成的數組："
, data)/<code>

生成小數型數組： [0.8 0.2 0. 0.3 1. 0.4 1. 0.4 1. 0.8 0.1 0.7 0.6 1. 0.7 0.9 0.6 1.

0.8 0.6 0.1 0.9 0.3 0.5 0.7 0.8 0.6 0.5 0.7 0.6 1. 0.1 0.3 0.4 0.8 0.8

1. 0.5 1. 0.9 0.9 0.9 0.9 0.6 0.1 0.2 0.9 0.3 0.8 0.9]

生成整數型數組： [15 17 18 15 16 15 18 16 18 18 16 19 18 15 18 16 16 17 19 17 19 16 15 17

15 17 15 15 18 15 18 16 17 15 18 15 19 18 19 18 16 19 19 17 18 19 19 19

19 19]

合併後生成的數組： [15.8 17.2 18. 15.3 17. 15.4 19. 16.4 19. 18.8 16.1 19.7 18.6 16.

18.7 16.9 16.6 18. 19.8 17.6 19.1 16.9 15.3 17.5 15.7 17.8 15.6 15.5

18.7 15.6 19. 16.1 17.3 15.4 18.8 15.8 20. 18.5 20. 18.9 16.9 19.9

19.9 17.6 18.1 19.2 19.9 19.3 19.8 19.9]

以上，我們構造了一段行情數據，設置行情價格為15~20元範圍波動。下面，我們求出行情最大價格，

2 調用內部函數求數組最大最小值。

<code> 
max_index = np.argmax(data)
print
(
'最大值元素索引%d'
 % np.argmax(data))
 
min_index = np.argmin(data)
print
(
'最小值元素索引%d'
 % np.argmin(data))/<code>

最大值元素索引38

最小值元素索引3

我們求最終獲得數組的：

最大值索引為38，即從第38個元素（從0開始數）,值為20.

最大值索引為3，即從第3個元素（從0開始數）,值為15.3

3 求出5日移動平均價格數組

下面，我們求5日移動均線的數組，5日均線的計算方法，就是第5個數的時候，將其前面4個包括自身值相加除以5.

<code>
def
 
moving_average
(a, n=
5
)
:
    ret = np.cumsum(a, dtype=float)
    ret[
n:
] = ret[
n:
] - ret[
:-n
]
    
return
 ret[n - 
1
:
] / n
 
print(
'5日移動均線：' 
, moving_average(data))/<code>

控制檯輸出：

5日移動均線： [16.7 16.6 16.9 16.6 17.3 17.7 17.8 18. 18.4 17.8 17.8 18. 17.4 17.2 18. 17.8 18.2 18.3 17.7 17.3 16.9 16.6 16.4 16.4 16.7 16.6 16.9 17. 17.3 16.7 17.3 16.7 17.4 17.7 18.6 18.6 18.8 18.8 19.1 18.6 18.5 18.9 18.9 18.8 19.2 19.6]

以上三個步驟就是我們求利用numpy數組求得行情最大最小值，並且求出5日移動均線數據。

這樣的數據，看的是不是很累？下面我們利用plot將其畫出來。

利用matplotlib畫圖，我們之前的文章已經稍微講過了，下面我們利用plot直接畫出圖形。

<code># 畫圖整理
x = np.arange(
1
, 
51
, 
1
)
plt.plot(x, 
data
,
'--*y'
)
# 最大值
plt.plot(max_index, 
data
[max_index], 
'rs'
)
show_max=
'[key:'
+str(max_index)+
'  value:'
+str(round(
data
[max_index],
1
))+
']'
plt.annotate(show_max, xytext=(max_index, 
data
[max_index]), xy=(max_index,  
data
[max_index]))
# 最小值
plt.plot(min_index, 
data
[min_index], 
'gs'
)
show_max=
'[key:'
+str(min_index)+
'  value:'
+str(round(
data
[min_index],
1
))+
']'
plt.annotate(show_max, xytext=(min_index+
1
, 
data
[min_index]), xy=(min_index, 
data
[min_index]))

# 均線
x_2 = np.arange(
5
, 
51
, 
1
)
plt.plot(x_2, moving_average(
data
))

mpl.rcParams[
'font.sans-serif'
]=[
'SimHei'
] #用來指定默認字體 SimHei為黑體
mpl.rcParams[
'axes.unicode_minus'
]=False
plt.title(
'行情及五日均線模擬圖'
)

plt.savefig(
'./20200414.png'
)
plt.show()/<code>

最終，畫出的圖形如下:

numpy計算

這裡，我們畫出了整段行情，並且標註除了最大最小价格，畫出5日的移動均線。

以上完整代碼均已傳到VX公號：大操手量化投資，歡迎關注並獲取相關代碼。後續最新文章會陸續在上面更新。

以上是我們本章的內容，關於numpy，進行數組運行，結合我們量化交易的行情數據進行的講解。希望大家能學有所得！

好啦，本章內容就到這裡。歡迎關注【大操手量化投資】，一起學習量化交易相關知識，量化交易從小白到高手的路程！